7840

ترميم خودكار كدهاي نرم افزاري با استفاده از تكنيك هاي يادگيري عميق

كارشناسي

مهندسي كامپيوتر

1401

مهرداد آشتياني

1401/04/21

كامپيوتر

Automatic Software Code Repair using Deep Learning Techniques

رفع ايرادات در كدهاي نرم افزاري يكي از پرهزينه ترين وظايف توسعه دهندگان نرم افزار در اين صنعت چند صد ميليارد دلاري است. از اين رو تلاش هاي بسياري جهت اتوماسيون حداقل بخشي از آن انجام شده است. در يك دهه ي اخير محققان اين حوزه از توليد ترميم ها بر اساس تعدادي قواعد از پيش تعريف شده كه فقط در رفع انواع محدودي از ايرادات مؤثر بود، با طي مسيري طولاني به استفاده از مدل هاي يادگيري عميق رسيدند كه تا كنون در بسياري از حوزه هاي ديگر نتايج انقلابي از خود به ارمغان گذاشته است. در اين پژوهش پس از بررسي مفصل كارهاي قبلي در اين حوزه، با معرفي راه كاري جديد گامي كوچك در پيشبرد و بهبود سيستم هاي طراحي شده برداشتيم. به دليل مشكل بودن حل مساله در حالت كلي، تحقيقات اخير بيشترين تمركز را بر روي رفع ايراداتي گذاشته اند كه فقط در يك خط از كد ظاهر مي شوند. نشان داده شده است كه فقط همين نوع از ايرادات به طور ميانگين مي تواند تا نرخ 1 از هر 1600 خط كد در يك پروژه ي نرم افزاري رخ دهد كه ميزان بسيار قابل توجهي است. در اين پژوهش نيز بر اساس همين رويكرد، هدف گذاري شده است تا با طراحي يك راهكار كاملا خودكار، هزينه هاي رفع اين نوع از ايرادات نرم افزاري تا حد ممكن كاهش يابد. در اين پژوهش با اتكا بر روش يادگيري انتقالي، سيستمي را معرفي مي كنيم كه مبتني بر مدل برت و معماري انكدر-ديكدر طراحي شده است. نتايج ارزيابي ها نشان داده اند كه اين مدل مي تواند در مقايسه با بهترين مدل پيشين بر اساس معيار امتياز بلو بين 04/0 تا 16/0 واحد و بر اساس معيار دقت از 64/0 تا 81/5 درصد از خود بهبود نشان دهد.

ترميم كد , يادگيري عميق , باگ , ايراد نرم افزاري , برت , يادگيري انتقالي